本发明专利技术涉及一种光伏短期功率预测模型的训练方法、相关方法及装置，该光伏短期功率预测模型的训练方法包括：获取样本数据；所述样本数据包括光伏功率数据；对所述样本数据进行标准化处理，得到标准样本数据；基于改进AOA，使用所述标准样本数据训练LSSVM模型，得到光伏短期功率预测模型；所述改进AOA的选择优化策略阶段中，使用猫映射混沌来初始化种群。基于此，本训练方法能够提高光伏短期功率预测模型的预测结果准确性。型的预测结果准确性。型的预测结果准确性。
【技术实现步骤摘要】
光伏短期功率预测模型的训练方法、相关方法及装置
[0001]本专利技术涉及光伏短期功率预测
，具体涉及一种光伏短期功率预测模型的训练方法、相关方法及装置。
技术介绍
[0002]光伏是太阳能光伏发电系统的简称，是一种利用太阳电池半导体材料的光伏效应，将太阳光辐射能直接转换为电能的发电系统。目前，基于算数优化算法(Arithmetic Optimization Algorithm，AOA)和最小二乘支持向量机(Least Squares Support Vector Machine，LSSVM)，训练用于光伏短期功率预测的模型，即AOA
‑
LSSVM光伏短期功率预测模型。然后，根据AOA
‑
LSSVM光伏短期功率预测模型进行光伏短期功率预测。
[0003]然而，现有的AOA
‑
LSSVM光伏短期功率预测模型存在预测结果准确性低的问题。
技术实现思路
[0004]为了解决现有的AOA
‑
LSSVM光伏短期功率预测模型存在预测结果准确性低的问题，本专利技术提供了一种光伏短期功率预测模型的训练方法、相关方法及装置。
[0005]本专利技术的技术方案如下：
[0006]本专利技术提供了一种光伏短期功率预测模型的训练方法，包括：
[0007]获取样本数据；所述样本数据包括光伏功率数据；
[0008]对所述样本数据进行标准化处理，得到标准样本数据；
[0009]基于改进AOA，使用所述标准样本数据训练LSSVM模型，得到光伏短期功率预测模型；所述改进AOA的选择优化策略阶段中，使用猫映射混沌来初始化种群。
[0010]本专利技术实施例的方法，还包括：
[0011]所述改进AOA的探索阶段和开发阶段中，根据预设调整策略，控制进行局部开发的种群数量；所述预设调整策略使得随着所述LSSVM模型的迭代次数的增加，进行局部开发的种群数量呈递减趋势。
[0012]本专利技术实施例中，所述根据预设调整策略，控制进行局部开发的种群数量，具体包括：
[0013]获取所述LSSVM模型的已迭代次数；
[0014]根据所述已迭代次数，计算调整系数；所述调整系数与所述已迭代次数呈负相关；
[0015]控制进行局部开发的种群数量为：种群总数量*(1
‑
所述调整系数)。
[0016]本专利技术实施例中，所述根据所述已迭代次数，计算调整系数，具体包括：
[0017]根据如下计算公式，计算所述调整系数：
[0018][0019]其中，r为所述调整系数；b为预设比例系数，且0＜b＜1；t＝已迭代次数+1；T为预设总迭代次数；k为预设扰动偏离因子；rand()为0到1之间的随机数。
[0020]本专利技术实施例中，所述基于改进AOA，使用所述标准样本数据训练LSSVM模型，得到光伏短期功率预测模型，具体包括：
[0021]基于改进AOA，使用所述标准样本数据，对所述LSSVM模型的预设参数进行优化，得到目标预设参数；所述目标预设参数包括正则化参数和核参数；
[0022]将所述目标预设参数代入所述LSSVM模型，得到所述光伏短期功率预测模型。
[0023]本专利技术实施例中，所述基于改进AOA，使用所述标准样本数据训练LSSVM模型，得到光伏短期功率预测模型，具体包括：
[0024]将所述标准样本数据划分为训练集数据和测试集数据；所述训练集数据的采集时间早于所述测试集数据的采集时间；
[0025]基于改进AOA，使用所述训练集数据和所述测试集数据，训练LSSVM模型，得到光伏短期功率预测模型。
[0026]本专利技术实施例中，所述基于改进AOA，使用所述标准样本数据训练LSSVM模型，得到光伏短期功率预测模型之后，本专利技术实施例的方法还包括：
[0027]获取所述光伏短期功率预测模型的多个光伏短期功率预测值和各个所述光伏短期功率预测值对应的光伏短期功率实际值；
[0028]基于预设评价标准，根据所述光伏短期功率预测值和所述光伏短期功率实际值，计算所述光伏短期功率预测模型的评价结果；所述预设评价标准包括平均绝对误差评价标准、均方根误差评价标准和平均绝对百分比误差评价标准中的至少一种。
[0029]本专利技术实施例还提供了一种光伏短期功率预测模型的训练装置，包括：
[0030]获取样本数据模块，用于获取样本数据；所述样本数据包括光伏功率数据；
[0031]标准化处理模块，用于对所述样本数据进行标准化处理，得到标准样本数据；
[0032]模型训练模块，用于基于改进AOA，使用所述标准样本数据训练LSSVM模型，得到光伏短期功率预测模型；所述改进AOA的选择优化策略阶段中，使用猫映射混沌来初始化种群。
[0033]本专利技术实施例还提供了一种光伏短期功率预测方法，包括：
[0034]获取预测用数据；所述预测用数据包括光伏功率数据；
[0035]对所述光伏功率数据进行标准化处理，得到标准光伏功率数据；
[0036]将所述标准光伏功率数据输入预设光伏短期功率预测模型，得到所述预设光伏短期功率预测模型输出的预测结果；所述预测结果中包含光伏短期功率预测值；所述预设光伏短期功率预测模型采用如上述实施例所述的光伏短期功率预测模型的训练方法训练得到。
[0037]本专利技术实施例还提供了一种光伏短期功率预测装置，包括：
[0038]获取预测用数据模块，用于获取预测用数据；所述预测用数据包括光伏功率数据；
[0039]标准化处理模块，用于对所述光伏功率数据进行标准化处理，得到标准光伏功率数据；
[0040]预测模块，用于将所述标准光伏功率数据输入预设光伏短期功率预测模型，得到所述预设光伏短期功率预测模型输出的预测结果；所述预测结果中包含光伏短期功率预测值；所述预设光伏短期功率预测模型采用如上述实施例所述的光伏短期功率预测模型的训练方法训练得到。
[0041]本专利技术采用上述技术方案，其有益效果在于：
[0042]一种光伏短期功率预测模型的训练方法，包括：获取样本数据；所述样本数据包括光伏功率数据；对所述样本数据进行标准化处理，得到标准样本数据；基于改进AOA，使用所述标准样本数据训练LSSVM模型，得到光伏短期功率预测模型；所述改进AOA的选择优化策略阶段中，使用猫映射混沌来初始化种群。基于此，由于使用猫映射混沌来初始化种群，提高了初始种群的多样性和遍历性，这有利于找到全局最优种群，避免训练出的模型出现局部最优问题，进而能够使得本申请能够提高光伏短期功率预测模型的预测结果准确性。
附图说明
[0043]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。<本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种光伏短期功率预测模型的训练方法，其特征在于，包括：获取样本数据；所述样本数据包括光伏功率数据；对所述样本数据进行标准化处理，得到标准样本数据；基于改进AOA，使用所述标准样本数据训练LSSVM模型，得到光伏短期功率预测模型；所述改进AOA的选择优化策略阶段中，使用猫映射混沌来初始化种群。2.根据权利要求1所示的方法，其特征在于，还包括：所述改进AOA的探索阶段和开发阶段中，根据预设调整策略，控制进行局部开发的种群数量；所述预设调整策略使得随着所述LSSVM模型的迭代次数的增加，进行局部开发的种群数量呈递减趋势。3.根据权利要求2所述的方法，其特征在于，所述根据预设调整策略，控制进行局部开发的种群数量，具体包括：获取所述LSSVM模型的已迭代次数；根据所述已迭代次数，计算调整系数；所述调整系数与所述已迭代次数呈负相关；控制进行局部开发的种群数量为：种群总数量*(1
‑
所述调整系数)。4.根据权利要求3所述的方法，其特征在于，所述根据所述已迭代次数，计算调整系数，具体包括：根据如下计算公式，计算所述调整系数：其中，r为所述调整系数；b为预设比例系数，且0＜b＜1；t＝已迭代次数+1；T为预设总迭代次数；k为预设扰动偏离因子；rand()为0到1之间的随机数。5.根据权利要求1所述的方法，其特征在于，所述基于改进AOA，使用所述标准样本数据训练LSSVM模型，得到光伏短期功率预测模型，具体包括：基于改进AOA，使用所述标准样本数据，对所述LSSVM模型的预设参数进行优化，得到目标预设参数；所述目标预设参数包括正则化参数和核参数；将所述目标预设参数代入所述LSSVM模型，得到所述光伏短期功率预测模型。6.根据权利要求1所述的方法，其特征在于，所述基于改进AOA，使用所述标准样本数据训练LSSVM模型，得到光伏短期功率预测模型，具体包括：将所述标准样本数据划分为训练集数据和测试集数据；所述训练集数据的采集时间早于所述测试集数据的采集时间；基于改进AOA，使用所述训练集数据和所述测试集...
【专利技术属性】
技术研发人员：赵俊勇，刘柳，吴文佳，马亮，李敏，单雨，
申请(专利权)人：国网新能源云技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。